买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜安徽大学申请的专利一种基于目标检测的预制构件外表缺陷检测分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119672029B 。

龙图腾网通过国家知识产权局官网在2025-05-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510195359.7，技术领域涉及：G06T7/00；该发明授权一种基于目标检测的预制构件外表缺陷检测分类方法是由方波;周思宇;徐佳;王华彬;琚川徽;李学俊设计研发完成，并于2025-02-21向国家知识产权局提交的专利申请。

本一种基于目标检测的预制构件外表缺陷检测分类方法在说明书摘要公布了：本发明提供一种基于目标检测的预制构件外表缺陷检测分类方法，对YOLOV8深度学习网络模型进行改进，在Backbone网络中将RepGhost瓶颈结构集成到C2f模块中，记为C2f_RepGhost模块；在Neck网络中添加EMA注意力机制模块，并将PAFPN网络结构替换为BiFPN_Concat网络结构；在Head网络中对边界框回归损失函数进行优化。本发明利用上述改进有效提高了对预制构件中外表缺陷的检测效率和精度。

本发明授权一种基于目标检测的预制构件外表缺陷检测分类方法在权利要求书中公布了：1.一种基于目标检测的预制构件外表缺陷检测分类方法，其特征在于，包括以下步骤：S1、采集预制构件的平面图像并对其进行数据增强处理及外表缺陷标注，构建得到平面图像数据集；S2、构建改进的YOLOv8深度学习网络模型：基于YOLOv8深度学习网络模型，在Backbone网络中将RepGhost瓶颈结构集成到C2f模块中，记为C2f_RepGhost模块；在Neck网络中添加EMA注意力机制模块，并将PAFPN网络结构替换为BiFPN_Concat网络结构；在Head网络中对边界框回归损失函数进行优化；S3、采用改进的YOLOv8深度学习网络模型对平面图像数据集进行检测，识别出预制构件中的外表缺陷；所述改进的YOLOv8深度学习网络模型记为LEF_YOLOv8，采用所述LEF_YOLOv8深度学习网络模型对平面图像数据集进行检测，识别出预制构件中的外表缺陷具体通过以下步骤实现：S31、以平面图像数据集作为输入特征图，在Backbone网络中通过Conv层、C2f_RepGhost模块以及SPPF模块对输入特征图进行图像特征提取；S32、将Backbone网络提取得到的特征图作为Neck网络的输入，通过EMA注意力机制模块、Upsample层、BiFPN_Concat模块、C2f模块、Conv层进行特征融合，增强特征图的特征表示能力；S33、将Neck网络融合得到的特征图作为Head网络的输入，通过检测层识别预制构件中的外表缺陷及其类别；通过所述Backbone网络对输入特征图进行图像特征提取具体包括以下步骤：S311、首先使用两个Conv层依次对特征图进行卷积下采样处理后输入到C2f_RepGhost模块；S312、在所述C2f_RepGhost模块内，输入特征图首先通过1×1卷积层进行一次卷积处理，然后通过Split操作，在通道维度上将输入的特征图平均拆分为两个部分，一部分通过一系列包含跳跃连接的RepGhost瓶颈结构进行特征提取与融合后与另一部分进行拼接，然后再通过1×1的卷积层进行一次卷积处理，将拼接后的特征图恢复到原始维度后输出；所述C2f_RepGhost模块的处理过程通过以下公式（1）表示： （1）；公式（1）中：表示C2f_RepGhost模块的输入；表示C2f_RepGhost模块的输出；表示RepGhost瓶颈结构；表示RepGhost瓶颈结构的数量；表示卷积层；表示在通道维度上做拼接操作；S313、将C2f_RepGhost模块处理后的特征图输入到SPPF模块进行处理；所述SPPF模块通过最大池化方法对输入的特征图进行处理，所述SPPF模块的具体处理过程通过如下公式（2）表示： （2）；其中： （3）； （4）； （5）； （6）；公式（2）-（6）中：表示输出；表示卷积操作；表示拼接操作；表示输入；表示经过卷积操作之后的输出；表示最大池化操作；表示对进行一次最大池化操作后的输出；表示对进行两次最大池化操作后的输出；表示对进行三次最大池化操作后的输出。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。